随着民航业的迅猛发展,通用航空飞行数据急剧增加,社会对通用航空提出了更高的安全要求。面对飞行数据的急剧增加,传统的架构已无法满足对海量数据的存储和分析,而基于Hadoop、Spark的大数据框架技术能够保障通用航空的运行安全。本文以塞斯纳172R训练机为研究对象,分析飞行数据并统计飞行过程中异常数据对应的超限事件,设计并开发出了基于Spark的通用航空飞行预警分析系统。本文首先将运输航空领域中飞行预警思想同步到通用航空上,给出典型的超限事件判别的依据。其次对飞行数据进行解析,对数据进行清洗、补全、归一化等预处理操作,通过对离线数据的研究,统计出近期的超限事件并向飞行员通报,在下次飞行训练前提前规避超限事件,完成离线预警,最后用离线数据训练机器学习模型,通过K近邻算法、梯度提升树、随机森林以及Xgboost模型训练数据,对比分析实验结果,采用效果最好的Xgboost模型融入系统,模拟实时预警并得出预警结论。通过对通用航空飞行预警分析系统的研发,对常见的超限事件给出了判定,提出了基于Spark的离线数据和实时数据的两种预警方式,实现并对比了不同的算法模型,对后续的通用航空安全研究具有一定的参考意义,同时也能借鉴于研究飞行模拟机设计、模拟飞行等安全应用上。